自2017年谷歌提出Transformer架构，到2022年起以ChatGPT为代表的生成式AI爆发，再到2024年起多模态模型和通用智能的生态拓展，大模型进入了发展“快车道”。国内金融行业也一直在积极探索大模型的应用，特别是2025年初国产大模型DeepSeek的兴起，让金融机构能够站在巨人肩膀上，从模式、流程和生态各个方面进行颠覆性探索，加速拥抱这场由大模型带来的变革。

　　有报告统计显示，今年上半年，金融行业大模型中标项目达到193个，其中，已披露中标项目141个，总金额达到6.8亿元。2024年，金融业大模型中标数量仅为133个，中标金额2.4亿元，也就是说，今年上半年，金融大模型投入已经远超2024年全年。

　　“金融领域AI应用向多场景融合发展，从智能营销、客服、风控等传统场景，到投研、决策、运营等复杂领域，AI技术正全方位渗透金融业务流程，实现前中后台的全流程智能化转型。”中国电子首席科学家、中电金信研究院院长况文川表示。

　　金融壹账通AI数智事业部总经理、首席技术官（国际）金新明表示，金融行业大模型应用当前已从“技术验证”迈向“场景深耕”的阶段，从单一场景渗透至全价值链环节，驱动行业效率跃升与价值重构。

　　百度金融行业大模型技术负责人进一步表示，今年以来，金融机构大模型落地场景呈现出“自主决策能力提升”的趋势，金融业正在逐步利用多智能体调度方式深入信贷、交易等核心生产流程。

　　“随着大模型的兴起，我们在金融行业逐渐发现了两大主要的应用范式。”百度金融行业大模型技术负责人表示，在员工端，金融机构通过部署大模型技术，为内部员工配备专业助手，具体场景包括金融报告撰写、会议记录辅助、客户背景调查及信贷全流程报告生成等。在用户端，随着大模型“幻觉”消除技术的突破，金融机构开始直接面向C端提供对话与服务。

　　金新明提出，当前，金融大模型应用比较成熟的场景包括智能客服、智能营销和投顾、风控和反欺诈、AI辅助自动化等。以保险业为例，麦肯锡的研究表明，保险业受到生成式AI影响产生的生产力提升可达500亿美元至700亿美元，而且，AI技术将全方位赋能销售与分销、承保、保单管理、理赔、客服、中后台等几乎所有业务领域。

　　毕马威中国发布的《2025年中国银行业调查报告》（以下简称《报告》）显示，中国银行业在大模型落地应用方面走在前列，应用范围已经从国有大行、股份制银行迅速扩展到头部区域性银行。目前，国有大行和股份制银行已全面启动大模型应用建设，并在前台、中台、后台均有正式投产的应用案例。

　　从上市银行2024年年报披露的AI应用场景看，已实现落地应用的成熟场景主要是智能编码研发、智能营销、智能客服、智能风控、合规内审、消费者权益保护以及日常经营管理流程等。

　　“金融大模型也有一些新兴场景值得关注，例如，基于大模型的反欺诈。”金新明认为，近年来，基于大模型技术的Deepfake (深度伪造，如伪造交易、伪造生物信息等）让金融欺诈的成本大幅降低，导致金融欺诈案例增长。在此背景下，利用大模型整合多模态数据，分析挖掘复杂的欺诈模式并动态预测风险必然成为金融机构甚至整个社会领域关注的核心技术手段。

　　DeepSeek等大模型在逻辑推理方面的突破，将解锁金融领域更多复杂场景的应用。金新明表示，未来，AI的应用、金融大模型的能力将不再局限于简单的风险评估或欺诈检测，而是逐步支持更多场景的规模化落地。未来，AI将从“辅助决策”的角色转变为“深度赋能”，深入到产品设计、风险定价、投资决策等核心业务环节，成为金融机构的核心竞争力。

　　如果说模型预训练是金融大模型应用的上半场，那么，智能体应用将是金融大模型进入“深水区”后的新课题。如果说大模型是“大脑”，那么，智能体就是将这个“大脑”的认知能力转化为具体业务执行力的“身体”和“行动者”。在被称为“智能体元年”的2025年，金融行业的智能体落地应用成效初显。

　　百度金融行业大模型技术负责人表示，今年以来，金融机构大模型落地场景呈现出“自主决策能力提升”的趋势，金融业正在逐步利用多智能体调度方式深入信贷、交易等核心业务流程。未来，我们将看到越来越多融合了大模型理解能力和小模型行业能力的智能体，逐步嵌入信贷、交易、合规等核心业务。

　　事实上，在智能客服、零售信贷、财富管理等与C端用户交互较多的场景，我们已经看到不少银行结合大模型与小模型能力推出的智能体应用，有的在金融市场、交易银行、公司金融等对公业务场景也实现了突破。例如，工商银行通过大模型技术构建了智能体应用生态，实现了客户经理分析、推荐、触达、陪伴和管理的全流程智能化。招商银行在交易银行业务中深化人工智能技术应用，线上“招小财”AI助手能够准确识别客户意图，协助客户完成复杂公司金融产品操作，响应准确率达到95%。兴业银行也在金融市场业务场景中推出“兴小二”债券交易机器人，依托智能化交易平台，引入机器学习、大模型等先进技术进行系统和策略升级，通过各类算法和因子挖掘提升交易效率。

　　“基于实际业务流程数据与日志的流程挖掘和大模型技术下的智能体工作流(Agentic Workflow)的结合，给所有机构业务流程的重塑带来了巨大的机会。智能体工作流可以将任务分解为多个可以并行或依次执行的子任务，并分配给不同的智能体来完成。”金新明表示，通过大模型的推理和检索增强生成以及和本地知识库的结合，给业务流程的优化和重塑带来了革命性的变化。大模型和零代码，机器人流程自动化（RPA）以及工作流的融合已经可以在金融机构看到很多具体的业务场景，比如，保险中的理赔核保场景等。

　　金新明表示，保险业务流程的复杂性尤为突出，涉及大量规则和人工审核。AI能够将复杂规则内化为算法，实现流程自动化，解放重复性劳动的生产力。例如，在核保环节，AI能自动识别保单信息，减少人工干预，辅助业务人员进行智能决策。在理赔环节，AI能提取关键信息，自动处理简单申请，辅助业务人员快速评Kaiyun全站网页估，显著缩短理赔周期，提升客户满意度。

　　在金融行业智能化转型的关键期，金融机构要从战略、模型、平台、场景和人才等方面提前布局大模型应用。而中小金融机构在探索金融大模型过程中，受到算力不足、技术人才不足、数据基础尚未夯实等问题影响，导致项目“难启动”“推不动”，而且，大模型训练与部署成本高昂，也是中小机构面临的普遍问题。

　　面对这些问题，金新明建议，中小金融机构在大模型研发和应用中，要聚焦自己的核心价值场景，挖掘高频、低风险、人力密集且有短期回报的业务场景，采用“小步快跑、持续迭代”的方法，避免好高骛远和求大求全。“要聚焦深挖垂域大模型的应用，特别是聚焦任务规则相对明确、错误容忍度较高、替代人力后可直观降本的业务场景，如智能客服、合规审查、营销推荐等。同时，要尽量避免高风险决策，如信贷审批、投资组合优化以及因容错率低且依赖复杂推理，短期难见成效的业务场景。”

　　在技术上，金新明建议，中小机构短期内不追求全栈自研和基础大模型的建设，以行业合作和开源大模型的调优为切入点。百度金融行业大模型技术负责人也建议依托开源技术与生态合作，降低技术门槛。例如，采用开源文心大模型、DeepSeek等开源大模型降低技术门槛，底层接入开源或商用基础模型矩阵，降低成本；上层叠加金融知识增强层提升专业适配性，形成“开源基模+领域增强”的架构。同时，通过算力成本优化和技术研发协同，突破算力硬件高投入与人才适配性缺口的双重约束。

　　百度金融行业大模型技术负责人表示，下一步，金融机构在进行大模型能力体系升级和应用价值落地的过程中，金融业大模型需要继续满足自主可控、解决“幻觉”问题与数据准确性三大挑战。金新明认为，“当前的大模型服务以公有云模式为主，面临数据泄露、数据滥用、模型篡改等安全风险。同时，高质量语料数据欠缺，特别是在中文金融领域。金融机构间的客户数据共享率低，数据壁垒的存在使模型训练所需的数据不足，也会对建立有效的风控模型形成阻碍。”